kuvaprosessissa ja-analyysissä tarvitaan joskus menetelmä, jolla erotetaan kaksi toisiinsa liittyvää tietoa, esimerkiksi tausta ja Etuala, maa ja joki. Tässä esittelen datalähtöisen tavan, jolla voidaan adaptatiivisesti löytää optimaalinen kynnys erottaa kahden luokan data-Otsun raja. Tätä menetelmää voidaan soveltaa kuvan segmentoinnissa ja kuvan binarisoinnissa, ja jälkimmäinen on tämän artikkelin pääaihe.
+Lyhyt johdanto
Otsun menetelmä on adaptiivinen puintitapa binarisoinnille kuvankäsittelyssä. Käymällä läpi kaikki mahdolliset raja-arvot (0-255), se voi löytää optimaalisen raja-arvon syöttökuvan.
+tarkemmat tiedot
kerron kolmessa seuraavassa jaksossa, miten Otsun puinti toimii ja miksi se niin tekee.
Otsu-menetelmän yleiskatsaus: Etsi optimaalinen raja-arvo siten, että luokan sisäinen varianssi Vw on minimaalinen (tai luokan välinen varianssi Vb on maksimaalinen).
- luodaan histogrammi syötekuvalle
oletamme, että syötekuva on harmaasävykuva. Mitä RGB-syötekuva, se on muunnettava harmaasävykuvaksi ensin.
Otsun puinnissa käytetään kuvan tilastoaineistoa. Ensimmäinen, puhumme ”Histogrammi”. Se kuvaa tietojen jakautumista. Ja … miten luoda histogrammi syötekuvan? Hyvin suoraviivaista, katsomaan seuraavassa esimerkissä 👇, laskea määrä jokaisen pikselin arvo yhdessä kuvassa ja tämä tilastollinen tulos on niin sanottu histogrammi.
huomaa, että pikselin arvo on välillä 0-255. Yksinkertaisuuden vuoksi oletamme, että pikselin arvo ei ole suurempi kuin 5 ja pikselin arvo ei liity esimerkissä esitettyyn väriin.
